2026年数据清洗与预处理技巧习题集

2026年数据清洗与预处理技巧习题集一、单项选择题（本大题共10小题，每小题2分，共20分）1.在数据预处理阶段，缺失值处理方法中，"删除含有缺失值的行"适用于以下哪种情况？（每题2分）A.缺失值占比低于5%且数据量足够大B.缺失值主要集中在少数几个特征上C.缺失值呈现随机缺失且特征重要度低D.缺失值存在系统缺失模式解析：本题考查缺失值处理策略的适用场景。选项A正确，当缺失值占比低于5%且数据量足够大时，删除含有缺失值的行不会显著影响整体样本量，且能保持数据完整性。选项B错误，此时应考虑多重插补等高级方法。选项C错误，随机缺失应采用均值/中位数填充。选项D错误，系统缺失需先识别模式再处理。该知识点出自《2026年数据清洗与预处理技巧习题集》第3章"缺失值处理"中"删除策略适用条件"部分，强调需结合数据特征和业务场景综合判断。2.对于包含异常值的连续型特征，以下哪种标准化方法最合适？（每题2分）A.Min-Max标准化B.Z-score标准化C.MaxAbs标准化D.Robust标准化解析：本题考查异常值处理与特征标准化结合。选项B正确，Z-score标准化对异常值不敏感，适用于数据分布接近正态的情况。选项A错误，Min-Max易受异常值影响。选项C错误，MaxAbs不适用于负值数据。选项D错误，Robust标准化虽然抗异常值但会损失信息。该知识点出自第4章"异常值检测与处理"中"标准化方法比较"部分，需掌握不同方法的适用边界。3.在数据类型转换过程中，将字符串型日期"2026-01-15"转换为日期类型，以下哪个库的函数最常用？（每题2分）A.Pandas.to_numeric()B.NumPy.astype('datetime64')C.Scikit-learn.preprocessing.LabelEncoderD.Pythondatetime.strptime()解析：本题考查日期类型转换技术。选项D正确，datetime.strptime是Python内置的日期解析函数，可直接处理格式化日期字符串。选项A错误，to_numeric用于数值转换。选项B错误，NumPy需配合pd.to_datetime使用。选项C错误，LabelEncoder用于类别编码。该知识点出自第2章"数据类型转换"中"日期处理"部分，强调不同工具链的差异化应用。4.对于稀疏矩阵特征，以下哪种降维方法最有效？（每题2分）A.PCA（主成分分析）B.LDA（线性判别分析）C.t-SNE（t分布随机邻域嵌入）D.特征选择法解析：本题考查稀疏数据降维策略。选项D正确，特征选择（如L1正则化）能直接处理稀疏特征，保留信息密度高的维度。选项A错误，PCA需要稠密数据。选项B错误，LDA需考虑类别信息。选项C错误，t-SNE主要用于可视化。该知识点出自第5章"降维技术"中"稀疏数据处理"部分，需掌握不同方法的数学基础差异。5.在处理文本数据时，以下哪种方法不属于向量化技术？（每题2分）A.TF-IDF转换B.Word2Vec嵌入C.One-Hot编码D.词嵌入矩阵解析：本题考查文本特征工程。选项D错误，词嵌入矩阵本身就是向量化结果。选项A、B、C正确，但只有D描述的是结果而非方法。该知识点出自第6章"文本特征工程"中"向量化技术分类"部分，需区分特征提取方法与结果形式。6.对于时间序列数据，以下哪种平滑方法适用于趋势性明显的序列？（每题2分）A.简单移动平均法B.指数平滑法C.双指数平滑法D.中位数滤波法解析：本题考查时间序列平滑技术。选项C正确，双指数平滑能同时处理趋势和季节性。选项A错误，简单移动平均对趋势敏感。选项B错误，指数平滑适用于水平序列。选项D错误，中位数滤波主要用于去除脉冲噪声。该知识点出自第7章"时间序列预处理"中"平滑方法适用性"部分，需掌握不同方法的数学特性。7.在处理类别不平衡数据时，以下哪种过采样方法最常用？（每题2分）A.SMOTE（合成少数过采样技术）B.ADASYN（自适应合成少数过采样）C.Borderline-SMOTED.SMOTE-ENN解析：本题考查类别不平衡处理。选项A正确，SMOTE是最经典的过采样方法，通过插值生成新样本。选项B错误，ADASYN更适用于类别边界区域。选项C错误，Borderline-SMOTE针对边界样本。选项D错误，SMOTE-ENN是组合方法。该知识点出自第8章"数据平衡技术"中"过采样方法比较"部分，需掌握不同方法的算法差异。8.对于缺失值较多的表格数据，以下哪种插补方法最稳健？（每题2分）A.均值/中位数填充B.KNN插补C.MICE（多重插补）D.回归插补解析：本题考查缺失值插补策略。选项C正确，MICE能考虑变量间相关性，适用于缺失值较多的复杂场景。选项A错误，简单填充会丢失信息。选项B错误，KNN对稀疏数据计算量大。选项D错误，回归插补假设线性关系。该知识点出自第3章"缺失值处理"中"插补方法适用性"部分，需掌握不同方法的统计基础。9.在特征编码过程中，以下哪种方法会产生维度爆炸问题？（每题2分）A.One-Hot编码B.LabelEncodingC.BinaryEncodingD.HashEncoding解析：本题考查类别特征编码。选项A正确，One-Hot编码会将每个类别转化为独立维度，导致维度急剧增加。选项B错误，LabelEncoding不增加维度。选项C错误，BinaryEncoding是降维编码。选项D错误，HashEncoding通过哈希映射控制维度。该知识点出自第6章"文本特征工程"中"编码方法影响"部分，需掌握不同编码的数学特性。10.对于高维稀疏数据，以下哪种降维方法最合适？（每题2分）A.PCAB.t-SNEC.LDAD.特征选择解析：本题考查高维数据降维策略。选项D正确，特征选择能直接处理稀疏高维数据，保留重要特征。选项A错误，PCA需要稠密数据。选项B错误，t-SNE主要用于可视化。选项C错误，LDA需考虑类别信息。该知识点出自第5章"降维技术"中"高维数据处理"部分，需掌握不同方法的数学基础差异。二、填空题（本大题共10小题，每小题2分，共20分）1.在处理缺失值时，"多重插补"方法通常需要配合______算法来生成多个插补样本。（每题2分）参考答案：回归解析：本题考查多重插补技术。MICE方法通过迭代回归模型逐列插补缺失值，每次插补后重新估计回归系数，最终生成多个完整数据集。该知识点出自《2026年数据清洗与预处理技巧习题集》第3章"缺失值处理"中"多重插补原理"部分。2.对于异常值检测，"3σ原则"适用于______分布的数据特征。（每题2分）参考答案：正态解析：本题考查异常值检测方法。3σ原则基于正态分布特性，认为超过均值±3个标准差的数据为异常值。该知识点出自第4章"异常值检测与处理"中"统计检测方法"部分。3.在数据标准化过程中，"Min-Max标准化"将所有特征缩放到______区间内。（每题2分）参考答案：[0,1]解析：本题考查Min-Max标准化方法。该方法通过线性变换将数据映射到[0,1]区间，适用于需要归一化评分的场景。该知识点出自第4章"异常值检测与处理"中"标准化方法"部分。4.对于文本数据，"TF-IDF"模型中，"TF"代表______频率。（每题2分）参考答案：词项解析：本题考查TF-IDF模型原理。TF（TermFrequency）表示词项在文档中出现的频率，是文本特征工程的基础指标。该知识点出自第6章"文本特征工程"中"TF-IDF计算"部分。5.在处理类别不平衡数据时，"过采样"方法的核心思想是______少数类样本。（每题2分）参考答案：增加解析：本题考查过采样技术。过采样通过复制或生成少数类样本，使其数量接近多数类，从而解决类别不平衡问题。该知识点出自第8章"数据平衡技术"中"过采样方法"部分。6.对于稀疏矩阵，"One-Hot编码"会产生______个新特征。（每题2分）参考答案：类别数解析：本题考查One-Hot编码特性。对于有n个类别的特征，One-Hot编码会生成n个二进制特征，每个类别对应一个维度。该知识点出自第6章"文本特征工程"中"编码方法"部分。7.在时间序列预处理中，"差分法"主要用于______序列。（每题2分）参考答案：趋势解析：本题考查时间序列平滑技术。差分法通过计算相邻数据点的变化量，能有效消除趋势成分，适用于趋势性明显的序列处理。该知识点出自第7章"时间序列预处理"中"差分方法"部分。8.对于缺失值较多的表格数据，"KNN插补"方法需要计算样本间的______距离。（每题2分）参考答案：欧氏解析：本题考查KNN插补算法。KNN插补通过计算样本间的欧氏距离找到最近邻，根据邻域值进行插补。该知识点出自第3章"缺失值处理"中"KNN插补原理"部分。9.在特征编码过程中，"LabelEncoding"会将类别映射为______编码。（每题2分）参考答案：整数解析：本题考查LabelEncoding方法。该方法将每个类别映射为唯一整数，是最简单的类别特征编码方式。该知识点出自第6章"文本特征工程"中"编码方法"部分。10.对于高维稀疏数据，"特征选择"方法通常基于______指标进行排序。（每题2分）参考答案：特征重要性解析：本题考查特征选择方法。特征选择通过评估每个特征的贡献度（如方差、互信息等）进行排序，保留重要性高的特征。该知识点出自第5章"降维技术"中"特征选择方法"部分。三、判断题（本大题共10小题，每小题2分，共20分）1.在处理缺失值时，"随机抽样删除"方法适用于缺失值占比超过30%的数据集。（每题2分）参考答案：错误解析：本题考查缺失值处理策略。当缺失值占比超过30%时，随机抽样删除会导致大量信息丢失，应采用插补方法。该知识点出自《2026年数据清洗与预处理技巧习题集》第3章"缺失值处理"中"删除策略适用条件"部分。2.对于异常值检测，"箱线图"方法可以直观展示数据的中位数和四分位数范围。（每题2分）参考答案：正确解析：本题考查异常值检测可视化。箱线图通过四分位数和异常值标记，能直观展示数据的分布特征。该知识点出自第4章"异常值检测与处理"中"可视化方法"部分。3.在数据标准化过程中，"Z-score标准化"会改变原始数据的分布形态。（每题2分）参考答案：错误解析：本题考查Z-score标准化特性。Z-score标准化通过线性变换将数据转换为均值为0、标准差为1的正态分布，但不会改变原始数据分布形态。该知识点出自第4章"异常值检测与处理"中"标准化方法"部分。4.对于文本数据，"Word2Vec"模型可以捕捉词语间的语义关系。（每题2分）参考答案：正确解析：本题考查Word2Vec模型特性。Word2Vec通过神经网络学习词语嵌入，能捕捉词语间的语义相似度。该知识点出自第6章"文本特征工程"中"Word2Vec原理"部分。5.在处理类别不平衡数据时，"欠采样"方法会删除部分多数类样本。（每题2分）参考答案：正确解析：本题考查欠采样技术。欠采样通过随机删除多数类样本，使其数量接近少数类，从而解决类别不平衡问题。该知识点出自第8章"数据平衡技术"中"欠采样方法"部分。6.对于稀疏矩阵，"HashEncoding"方法可以控制生成的特征维度。（每题2分）参考答案：正确解析：本题考查HashEncoding方法。通过哈希函数将类别映射到固定维度空间，可以避免维度爆炸问题。该知识点出自第6章"文本特征工程"中"编码方法"部分。7.在时间序列预处理中，"移动平均法"可以消除季节性成分。（每题2分）参考答案：错误解析：本题考查时间序列平滑技术。简单移动平均法主要消除趋势成分，双移动平均法才能同时处理趋势和季节性。该知识点出自第7章"时间序列预处理"中"平滑方法"部分。8.对于缺失值较多的表格数据，"均值填充"方法适用于数值型特征。（每题2分）参考答案：正确解析：本题考查简单缺失值处理。均值填充是最基础的数值型特征缺失值处理方法，适用于正态分布数据。该知识点出自第3章"缺失值处理"中"简单插补方法"部分。9.在特征编码过程中，"BinaryEncoding"是One-Hot编码的降维版本。（每题2分）参考答案：正确解析：本题考查编码方法关系。BinaryEncoding通过二进制表示类别，将高基数类别特征降维，是One-Hot编码的改进版本。该知识点出自第6章"文本特征工程"中"编码方法"部分。10.对于高维稀疏数据，"主成分分析"方法可以保留原始数据的方差信息。（每题2分）参考答案：正确解析：本题考查PCA特性。PCA通过线性变换将数据投影到低维空间，同时保留最大方差信息。该知识点出自第5章"降维技术"中"PCA原理"部分。四、简答题（本大题共8小题，每小题2分，共16分）1.简述缺失值处理的主要方法及其适用场景。（每题2分）参考答案：缺失值处理方法主要包括：（1）删除策略：包括行删除（适用于缺失值占比低）、列删除（适用于某特征缺失严重）（2）插补策略：包括简单插补（均值/中位数/众数填充）、高级插补（KNN插补、多重插补、回归插补）（3）标记策略：将缺失值视为一个独立类别处理适用场景需考虑缺失机制（随机/非随机）、数据量、特征重要性等因素。该知识点出自《2026年数据清洗与预处理技巧习题集》第3章"缺失值处理"部分。2.解释Z-score标准化与Min-Max标准化的区别及其应用场景。（每题2分）参考答案：区别：（1）Z-score标准化将数据转换为均值为0、标准差为1的正态分布（2）Min-Max标准化将数据缩放到[0,1]区间应用场景：Z-score适用于需要正态分布假设的场景（如统计检验），Min-Max适用于需要归一化评分的场景（如机器学习算法权重初始化）。该知识点出自第4章"异常值检测与处理"中"标准化方法"部分。3.描述TF-IDF模型的基本原理及其优缺点。（每题2分）参考答案：原理：TF（词频）衡量词在文档中出现的频率，IDF（逆文档频率）衡量词的普遍程度优缺点：优点：能有效表示词语重要性，适用于文本分类等任务缺点：忽略词语顺序，对停用词敏感，计算复杂度高。该知识点出自第6章"文本特征工程"中"TF-IDF计算"部分。4.说明过采样与欠采样方法的优缺点及其适用场景。（每题2分）参考答案：过采样：优点：能保留多数类信息缺点：可能导致过拟合，增加计算复杂度适用场景：少数类样本数量极少时欠采样：优点：能快速平衡数据集缺点：可能丢失多数类信息适用场景：多数类样本数量远超少数类时。该知识点出自第8章"数据平衡技术"中"过采样方法"部分。5.解释One-Hot编码与LabelEncoding的适用场景差异。（每题2分）参考答案：One-Hot编码适用于：（1）类别基数不高（如职业、性别等）（2）需要保留类别区分度的场景LabelEncoding适用于：（1）类别基数高（如城市名称）（2）需要线性关系的场景该知识点出自第6章"文本特征工程"中"编码方法"部分。6.描述时间序列数据预处理的主要步骤及其目的。（每题2分）参考答案：主要步骤：（1）平滑处理：消除噪声（移动平均/指数平滑）（2）趋势处理：分离趋势成分（差分/多项式拟合）（3）季节性处理：消除季节性影响（季节性分解）（4）异常值处理：识别并修正异常值目的：使数据更符合模型假设，提高预测精度。该知识点出自第7章"时间序列预处理"部分。7.说明KNN插补方法的计算过程及其局限性。（每题2分）参考答案：计算过程：（1）计算待插补样本与所有样本的距离（2）选择距离最近的k个样本（3）根据邻域值计算插补值（均值/中位数）局限性：（1）计算复杂度高（2）对稀疏数据不适用（3）假设邻域样本具有相似特征该知识点出自第3章"缺失值处理"中"KNN插补原理"部分。8.解释降维技术的核心目标及其常用方法分类。（每题2分）参考答案：核心目标：（1）减少数据维度，降低计算复杂度（2）去除冗余信息，提高模型性能常用方法分类：（1）特征选择：直接删除不相关特征（如L1正则化）（2）特征提取：将原始特征组合成新特征（如PCA）（3）特征变换：将数据映射到低维空间（如t-SNE）该知识点出自第5章"降维技术"部分。五、应用题（本大题共8小题，每小题4分，共32分）1.某电商平台收集了用户购物数据，部分特征存在缺失值，请设计缺失值处理方案。（每题4分）案例背景：数据集包含用户ID、年龄、性别、购买金额、购买频率等特征，其中年龄和购买频率存在缺失值，年龄缺失占比约15%，购买频率缺失占比约5%。参考答案：（1）年龄：采用KNN插补，选择最近5个用户计算均值；对极端异常值（如负数）进行修正（2）购买频率：采用多重插补，结合购买金额和购买次数进行插补；对缺失值较多的用户标记为"低频用户"解析：该方案结合了不同特征的缺失机制，既保留了多数类信息，又处理了异常值。该知识点出自第3章"缺失值处理"中"综合应用"部分。2.某金融公司需要分析客户信用数据，数据集中包含收入、负债、年龄等特征，部分特征存在异常值，请设计异常值处理方案。（每题4分）案例背景：收入存在极高值（如100万），负债存在负值，年龄存在超过100的异常值。参考答案：（1）收入：采用分位数变换（将收入分为3段，高收入标记为3）（2）负债：负值可能表示数据错误，需人工核查或标记为缺失值（3）年龄：超过100的值直接删除解析：该方案区分了不同异常值的处理方式，既保留了重要信息，又修正了明显错误。该知识点出自第4章"异常值检测与处理"中"综合应用"部分。3.某社交媒体平台收集了用户评论数据，需要构建文本分类模型，请设计文本特征工程方案。（每题4分）案例背景：数据集包含用户评论文本，需要分类为正面/负面/中性。参考答案：（1）文本预处理：去除停用词、标点符号，进行词干提取（2）特征提取：采用TF-IDF表示文本，保留前1000个最高权重特征（3）类别平衡：对少数类进行SMOTE过采样解析：该方案结合了文本预处理、特征提取和类别平衡，适用于典型的文本分类任务。该知识点出自第6章"文本特征工程"中"综合应用"部分。4.某气象站收集了每日气温数据，数据存在缺失和季节性波动，请设计时间序列预处理方案。（每题4分）案例背景：数据集包含每日最高气温，部分日期缺失，存在明显的季节性波动。参考答案：（1）缺失处理：采用前向填充（用前一天数据填充）+均值插补（2）趋势处理：计算一阶差分消除趋势（3）季节性处理：采用季节性分解（STL分解）提取季节成分解析：该方案结合了缺失处理、趋势消除和季节性提取，适用于典型的气象数据分析。该知识点出自第7章"时间序列预处理"中"综合应用"部分。5.某电商平台需要分析用户行为数据，数据集包含用户ID、浏览商品数、购买商品数等特征，部分特征存在不平衡，请设计数据平衡方案。（每题4分）案例背景：数据集包含10000条记录，其中购买用户仅占5%（500条），未购买用户占95%。参考答案：（1）欠采样：对未购买用户随机抽取500条记录（2）过采样：对购买用户采用SMOTE生成450条新样本（3）特征增强：添加购买转化率等衍生特征解析：该方案结合了欠采样、过采样和特征增强，适用于典型的类别不平衡问题。该知识点出自第8章"数据平衡技术"中"综合应用"部分。6.某医疗公司收集了患者健康数据，数据集包含年龄、血压、血糖等特征，部分特征存在缺失，请设计缺失值处理方案。（每题4分）案例背景：数据集包含2000条记录，年龄缺失占比10%，血压缺失占比5%，血糖缺失占比2%。参考答案：（1）年龄：采用多重插补，结合血压和血糖进行插补（2）血压：采用均值填充，但需标记缺失样本（3）血糖：直接删除缺失样本（占比极小）解析：该方案根据缺失比例和特征重要性，选择了不同的处理方法。该知识点出自第3章"缺失值处理"中"综合应用"部分。7.某银行需要分析客户信用数据，数据集包含收入、负债、年龄等特征，部分特征存在异常值，请设计异常值处理方案。（每题4分）案例背景：数据集包含3000条记录，收入存在极高值，负债存在负值，年龄存在超过100的异常值。参考答案：（1）收入：采用分位数变换（将收入分为3段，高收入标记为3）（2）负债：负值可能表示数据错误，需人工核查或标记为缺失值（3）年龄：超过100的值直接删除解析：该方案区分了不同异常值的处理方式，既保留了重要信息，又修正了明显错误。该知识点出自第4章"异常值检测与处理"中"综合应用"部分。8.某电商平台需要分析用户购物数据，数据集包含用户ID、购买金额、购买频率等特征，部分特征存在缺失，请设计缺失值处理方案。（每题4分）案例背景：数据集包含5000条记录，购买金额缺失占比8%，购买频率缺失占比5%。参考答案：（1）购买金额：采用KNN插补，选择最近5个用户计算均值（2）购买频率：采用多重插补，结合购买金额和用户等级进行插补解析：该方案结合了不同特征的缺失机制，既保留了多数类信息，又处理了缺失值。该知识点出自第3章"缺失值处理"中"综合应用"部分。【标准答案及解析】一、单项选择题答案1.A2.B3.D4.D5.C6.C7.A8.C9.A10.D二、填空题答案1.回归2.正态3.[0,1]4.词项5.增加6.类别数7.趋势8.欧氏9.整数10.特征重要性三、判断题答案1.错误2.正确3.错误4.正确5.正确6.正确7.错误8.正确9.正确10.正确四、简答题解析1.缺失值处理方法：（1）删除策略：行删除适用于缺失值占比低（<5%），列删除适用于某特征缺失严重（>50%）（2）插补策略：简单插补适用于缺失值随机分布且特征重要度低；高级插补适用于缺失值存在系统模式（3）标记策略：将缺失值视为一个独立类别处理，适用于缺失值有特定含义的场景适用场景需考虑缺失机制（随机/非随机）、数据量、特征重要性等因素2.Z-score标准化与Min-Max标准化的区别：Z-score标准化：通过减去均值再除以标准差，将数据转换为均值为0、标准差为1的正态分布Min-Max标准化：通过减去最小值再除以极差（最大值-最小值），将数据缩放到[0,1]区间应用场景：Z-score适用于需要正态分布假设的场景（如统计检验、PCA等）Min-Max适用于需要归一化评分的场景（如机器学习算法权重初始化、图像处理等）3.TF-IDF模型原理：TF（词频）：衡量词在文档中出现的频率，计算公式为词出现次数/文档总词数IDF（逆文档频率）：衡量词的普遍程度，计算公式为log(文档总数/包含该词的文档数)优缺点：优点：能有效表示词语重要性，适用于文本分类等任务缺点：忽略词语顺序，对停用词敏感，计算复杂度高4.过采样与欠采样方法的优缺点：过采样：优点：能保留多数类信息，适用于少数类样本数量极少时缺点：可能导致过拟合，增加计算复杂度，可能引入噪声适用场景：少数类样本数量极少（如<1%）且多数类信息重要欠采样：优点：能快速平衡数据集，降低计算复杂度缺点：可能丢失多数类信息，可能删除重要样本适用场景：多数类样本数量远超少数类（如>10倍）且多数类信息不重要5.One-Hot编码与LabelEncoding的适用场景差异：One-Hot编码适用于：（1）类别基数不高（如职业、性别等，类别数<20）（2）需要保留类别区分度的场景（如分类模型特征）（3）避免引入线性假设的场景（如树模型）LabelEncoding适用于：（1）类别基数高（如城市名称、产品类别等）（2）需要线性关系的场景（如神经网络、线性回归）（3）特征维度过高时（如One-Hot会导致维度爆炸）6.时间序列数据预处理步骤：（1）平滑处理：消除噪声，常用方法包括简单移动平均、加权移动平均、指数平滑（2）趋势处理：分离趋势成分，常用方法包括差分、多项式拟合、Hodrick-Prescott滤波（3）季节性处理：消除季节性影响，常用方法包括季节性分解（STL分解）、季节性指数调整（4）异常值处理：识别并修正异常值，常用方法包括3σ原则、箱线图、DBSCAN聚类目的：使数据更符合模型假设，提高预测精度7.KNN插补方法的计算过程：（1）计算待插补样本与所有样本的距离，常用欧氏距离（2）选择距离最近的k个样本，k通常取3-10（3）根据邻域值计算插补值，数值型特征取均值/中位数，类别型特征取众数局限性：（1）计算复杂度高，时间复杂度O(nmlogn)（2）对稀疏数据不适用，邻域可能包含大量缺失值（3）假设邻域样本具有相似特征，可能不成立8.降维技术的核心目标与方法分类：核心目标：（1）减少数据维度，降低计算复杂度，避免过拟合（2）去除冗余信息，提高模型性能，增强可解释性常用方法分类：（1）特征选择：直接删除不相关特征，保留原始特征，常用方法包括：-基于过滤的方法：方差分析、互信息-基于包装的方法：递归特征消除-基于嵌入的方法：L1正则化（Lasso）（2）特征提取：将原始特征组合成新特征，降维过程中可能损失信息，常用方法包括：-降维方法：主成分分析（PCA）、线性判别分析（LDA）-嵌入方法：自编码器（3）特征变换：将数据映射到低维空间，保留最大方差信息，常用方法包括：-非线性降维：t-SNE、局部线性嵌入（LLE）五、应用题解析1.缺失值处理方案：（1）年龄：采用KNN插补，选择最近5个用户计算均值；对极端异常值（如负数）进行修正-原因：年龄是连续型数值特征，KNN插补能保留特征分布；极端值可能是输入错误（2）购买频率：采用多重插补，结合购买金额和购买次数进行插补；对缺失值较多的用户标记为"低频用户"-原因：购买频率与购买行为相关，多重插补能考虑变量间相关性；低频用户是重要分类标签2.异常值处理方案：（1）收入：采用分位数变换（将